Resumen en español

Los sistemas de clasificación difusa generados a partir de datos experimentales presentan una alta precisión pero a costa de sacrificar la integridad semántica del modelo difuso obtenido. En este artículo se presenta un método novedoso para generar sistemas de clasificación difusa a partir de datos, que superan el conflicto entre precisión e interpretabilidad, obteniendo modelos con particiones triangulares de solapamiento 0.5 en sus antecedentes y consecuentes tipo singleton. Para la ponderación de los antecedentes se utiliza un operador de combinación en vez de una T-norma, lo que contribuye a una reducción sustancial en el número de reglas.